LocalAI

Самохостинговый OpenAI-совместимый API с LocalAI на Clore.ai

Запустите совместимый с OpenAI локальный API с помощью LocalAI.

Все примеры можно запускать на GPU-серверах, арендуемых через CLORE.AI Marketplace.

Требования к серверу

Параметр	Минимум	Рекомендуется
ОЗУ	8GB	16 ГБ+
VRAM	6 ГБ	8 ГБ+
Сеть	200 Мбит/с	500 Мбит/с+
Время запуска	5–10 минут	-

Важно: LocalAI полностью инициализируется при первом запуске в течение 5–10 минут. HTTP 502 в это время — нормально: служба загружает и инициализирует модели.

LocalAI имеет небольшой вес. Для запуска LLM (модели 7B+) выбирайте серверы с 16 ГБ+ оперативной памяти и 8 ГБ+ видеопамяти.

Что такое LocalAI?

LocalAI предоставляет:

• Полную замену OpenAI API «под ключ»

• Поддержку нескольких форматов моделей

• Генерация текста, изображений, аудио и эмбеддингов

• GPU не обязателен (но с GPU быстрее)

Поддерживаемые модели

Тип	Форматы	Примеры
LLM	GGUF, GGML	Llama, Mistral, Phi
Эмбеддинги	GGUF	all-MiniLM, BGE
Изображения	Diffusers	SD 1.5, SDXL
Аудио	Whisper	Речь в текст (Speech-to-text)
TTS	Piper, Bark	Текст в речь

Быстрое развертывание

Docker-образ:

localai/localai:master-aio-gpu-nvidia-cuda-12

Порты:

22/tcp
8080/http

Команда не требуется - сервер запускается автоматически.

Проверьте, что всё работает

После развертывания найдите ваш http_pub URL в Моих заказах и протестируйте:

# Проверить, готова ли служба
curl https://your-http-pub.clorecloud.net/readyz

# Показать доступные модели
curl https://your-http-pub.clorecloud.net/v1/models

# Получить версию
curl https://your-http-pub.clorecloud.net/version

Если вы получаете HTTP 502, подождите 5–10 минут — LocalAI инициализируется дольше, чем другие сервисы.

Предустановленные модели

LocalAI поставляется с несколькими моделями, доступными из коробки:

Название модели	Тип	Описание
gpt-4	Чат	LLM общего назначения
gpt-4o	Чат	LLM общего назначения
gpt-4o-mini	Чат	Меньшая, быстрая LLM
whisper-1	STT	Речь в текст (Speech-to-text)
tts-1	TTS	Текст в речь
text-embedding-ada-002	Эмбеддинги	Векторы размерности 384
jina-reranker-v1-base-en	Перераanking	Перерангировка документов

Эти модели работают сразу после запуска без дополнительной настройки.

Доступ к вашему сервису

При развертывании на CLORE.AI доступ к LocalAI осуществляется через http_pub URL:

# Chat completion
curl https://your-http-pub.clorecloud.net/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "gpt-4",
        "messages": [{"role": "user", "content": "Hello!"}]
    }'

Все localhost:8080 примеры ниже работают при подключении через SSH. Для внешнего доступа замените на ваш https://your-http-pub.clorecloud.net/ URL.

Развертывание в Docker (альтернатива)

docker run -d \
    --gpus all \
    -p 8080:8080 \
    -v /workspace/models:/models \
    -e THREADS=4 \
    -e CONTEXT_SIZE=4096 \
    localai/localai:master-aio-gpu-nvidia-cuda-12

Загрузка моделей

Из галереи моделей

LocalAI имеет встроенную галерею моделей:

# Показать доступные модели
curl http://localhost:8080/models/available

# Установить из галереи
curl http://localhost:8080/models/apply -d '{"id": "mistral-7b-instruct"}'

С Hugging Face

mkdir -p /workspace/models

# Llama 3.1 8B GGUF
wget https://huggingface.co/bartowski/Meta-Llama-3.1-8B-Instruct-GGUF/resolve/main/Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf \
    -O /workspace/models/llama-3.1-8b.gguf

# Mistral 7B GGUF
wget https://huggingface.co/bartowski/Mistral-7B-Instruct-v0.3-GGUF/resolve/main/Mistral-7B-Instruct-v0.3-Q4_K_M.gguf \
    -O /workspace/models/mistral-7b.gguf

Конфигурация модели

Создайте YAML-конфиг для каждой модели:

models/llama-3.1-8b.yaml:

name: llama-3.1-8b
backend: llama-cpp
parameters:
  model: llama-3.1-8b.gguf
  context_size: 4096
  threads: 8
  gpu_layers: 35
template:
  chat: |
    {{.Input}}
    ### Ответ:
  completion: |
    {{.Input}}

Использование API

Chat Completions (совместимо с OpenAI)

import openai

# Для внешнего доступа используйте ваш http_pub URL:
client = openai.OpenAI(
    base_url="https://your-http-pub.clorecloud.net/v1",
    api_key="не_требуется"
)

# Или через SSH-туннель:
# client = openai.OpenAI(base_url="http://localhost:8080/v1", api_key="not-needed")

response = client.chat.completions.create(
    model="mistral-7b",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Объясните квантовые вычисления простыми словами."}
    ],
    temperature=0.7,
    max_tokens=500
)

print(response.choices[0].message.content)

Потоковая передача (Streaming)

stream = client.chat.completions.create(
    model="mistral-7b",
    messages=[{"role": "user", "content": "Напишите стихотворение об ИИ"}],
    stream=True
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

Эмбеддинги

response = client.embeddings.create(
    model="all-minilm",
    input="The quick brown fox jumps over the lazy dog"
)

embedding = response.data[0].embedding
print(f"Размерность эмбеддинга: {len(embedding)}")

Генерация изображений

response = client.images.generate(
    model="stablediffusion",
    prompt="a beautiful sunset over mountains",
    size="512x512",
    n=1
)

image_url = response.data[0].url

Примеры cURL

Чат

curl https://your-http-pub.clorecloud.net/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "mistral-7b",
        "messages": [{"role": "user", "content": "Hello!"}]
    }'

Эмбеддинги

curl https://your-http-pub.clorecloud.net/v1/embeddings \
    -H "Content-Type: application/json" \
    -d '{
        "model": "text-embedding-ada-002",
        "input": "Your text here"
    }'

Ответ:

{
  "data": [{"embedding": [0.1, -0.2, ...], "index": 0}],
  "model": "text-embedding-ada-002",
  "usage": {"prompt_tokens": 4, "total_tokens": 4}
}

Текст в речь (TTS)

curl https://your-http-pub.clorecloud.net/v1/audio/speech \
    -H "Content-Type: application/json" \
    -d '{
        "model": "tts-1",
        "input": "Hello, welcome to LocalAI!",
        "voice": "alloy"
    }' \
    --output speech.wav

Доступные голоса: alloy, echo, fable, onyx, nova, shimmer

Речь в текст (STT)

curl https://your-http-pub.clorecloud.net/v1/audio/transcriptions \
    -F "[email protected]" \
    -F "model=whisper-1"

Ответ:

{"text": "Транскрибированный текст здесь..."}

Перераanking

Переранжирование документов по релевантности запросу:

curl https://your-http-pub.clorecloud.net/v1/rerank \
    -H "Content-Type: application/json" \
    -d '{
        "model": "jina-reranker-v1-base-en",
        "query": "Что такое машинное обучение?",
        "documents": [
            "Машинное обучение — это часть ИИ",
            "Сегодня хорошая погода",
            "Глубокое обучение использует нейронные сети"
        ],
        "top_n": 2
    }'

Ответ:

{
  "results": [
    {"index": 0, "relevance_score": 0.95},
    {"index": 2, "relevance_score": 0.82}
  ]
}

Полная справочная документация API

Стандартные эндпоинты (совместимые с OpenAI)

Эндпоинт	Метод	Описание
/v1/models	GET	Показать доступные модели
/v1/chat/completions	POST	Чат-завершение
/v1/completions	POST	Завершение текста
/v1/embeddings	POST	Генерация эмбеддингов
/v1/audio/speech	POST	Текст в речь
/v1/audio/transcriptions	POST	Речь в текст (Speech-to-text)
/v1/images/generations	POST	Генерация изображений

Дополнительные эндпоинты

Эндпоинт	Метод	Описание
/readyz	GET	Проверка готовности
/healthz	GET	Проверка состояния
/version	GET	Получить версию LocalAI
/v1/rerank	POST	Перерангировка документов
/models/available	GET	Показать модели галереи
/models/apply	POST	Установить модель из галереи
/swagger/	GET	Документация Swagger UI
/metrics	GET	Метрики Prometheus

Получить версию

curl https://your-http-pub.clorecloud.net/version

Ответ:

{"version": "v2.26.0"}

Документация Swagger

Откройте в браузере для интерактивной документации API:

https://your-http-pub.clorecloud.net/swagger/

Ускорение с помощью GPU

CUDA-бэкенд

# В конфиге модели
parameters:
  gpu_layers: 35  # Количество слоёв на GPU
  f16: true       # Использовать FP16

Полная выгрузка на GPU

parameters:
  gpu_layers: 99  # Все слои на GPU
  main_gpu: 0     # Идентификатор основного GPU

Несколько моделей

LocalAI может обслуживать несколько моделей одновременно:

models/
├── llama-3.1-8b.yaml
├── llama-3.1-8b.gguf
├── mistral-7b.yaml
├── mistral-7b.gguf
├── whisper.yaml
└── whisper-base.bin

Доступ к каждой по имени модели в вызовах API.

Настройка производительности

Для скорости

parameters:
  threads: 8
  gpu_layers: 99
  batch_size: 512
  use_mmap: true
  use_mlock: true

Для экономии памяти

parameters:
  gpu_layers: 20  # Частичная выгрузка
  context_size: 2048  # Меньший контекст
  batch_size: 256

Бенчмарки

Модель	GPU	Токенов/с
Llama 3.1 8B Q4	RTX 3090	~100
Mistral 7B Q4	RTX 3090	~110
Llama 3.1 8B Q4	RTX 4090	~140
Mixtral 8x7B Q4	A100	~60

Бенчмарки обновлены в январе 2026.

Устранение неполадок

HTTP 502 на http_pub URL

LocalAI запускается дольше, чем другие сервисы. Подождите 5–10 минут и попробуйте снова:

# Проверить готовность
curl https://your-http-pub.clorecloud.net/readyz

# Проверить состояние
curl https://your-http-pub.clorecloud.net/healthz

Модель не загружается

• Проверьте путь к файлу в YAML

• Проверьте совместимость формата GGUF

• Проверьте доступный объем VRAM

Медленные ответы

• Увеличьте gpu_layers

• Включите use_mmap

• Уменьшите context_size

Недостаточно памяти

• Уменьшите gpu_layers

• Используйте меньшую квантизацию (Q4 вместо Q8)

• Уменьшите размер батча

Проблемы с генерацией изображений

Stable Diffusion может иметь проблемы совместимости с CUDA на некоторых конфигурациях GPU. Если вы сталкиваетесь с ошибками CUDA при генерации изображений, рассмотрите возможность использования выделенной модели Stable Diffusion вместо этого.

Оценка стоимости

Типичные расценки на маркетплейсе CLORE.AI:

GPU	VRAM	Цена/день	Подходит для
RTX 3060	12GB	$0.15–0.30	Модели 7B
RTX 3090	24 ГБ	$0.30–1.00	Модели 13B
RTX 4090	24 ГБ	$0.50–2.00	Быстрая инференция
A100	40GB	$1.50–3.00	Большие модели

Цены в USD/день. Тарифы зависят от провайдера — проверьте CLORE.AI Marketplace для текущих тарифов.

Дальнейшие шаги

• vLLM инференция - Повышенная пропускная способность

• Руководство по Ollama - Проще в настройке

• RAG с LangChain - Создавайте приложения